基于神經網絡模型的股票預測與研究

趙長城+耿釵

摘 要：為了了解股價運行的規律和內在機制，從而正確預測股價走勢，首先應用Clementine軟件基于神經網絡對上證綜合指數建立了一期預測模型和多期預測模型，以此來解決歷史因素對次日收盤指數的影響。經過多次實驗，在對大量實驗結果進行分析比較的基礎上，選擇出了精度較高的神經網絡模型，利用該模型進行預測和檢驗，得到了較好的預測結果，以此解決股民入市時機選擇問題。

關鍵詞：神經網絡；一期預測模型；多期預測模型；股票

中圖分類號：F830 文獻標志碼：A 文章編號：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經濟建設的高速發展，人們的投資意識日益增強，而作為市場經濟的重要組成部分——股票市場，也正逐步走向成熟與規范。它從誕生的那天起就牽掛著數以千萬投資者的心，越來越多的投資者把眼光轉向了股票市場，而高風險高回報是股票市場的特征，因此投資者們時刻在關心股市、分析股市并試圖預測股市的發展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價格的影響因素很多，單憑簡單的人為經驗判斷往往不夠而且錯誤率較高，而傳統的技術分析方法，也已經不能滿足投資者對股票市場海量數據的分析要求?；谏窠浘W絡模型具有的學習能力強，預測精度高，以及對海量數據的強大處理能力和對于噪聲數據的抗干擾性等優點，我們引入神經網絡模型，以上證綜合指數為例來對股票市場進行建模分析和預測，以此對股票市場進行研究，了解股價運行的規律和內在機制，從而幫助眾多投資者正確預測股價走勢，做出理性的投資決策。

1.一期預測模型

我們將經過預處理之后的每個工作日的上證綜合指數相關數據作為輸入變量，將次日收盤指數作為輸出變量，利用 Clementine軟件建立神經網絡模型，首次建模采用系統默認設置對訓練集數據進行訓練，系統默認采用快速（Quick）訓練方法的簡單模型進行訓練，采用1個隱藏層3個隱結點，最終輸出預測精度為96.136%。經過多次修改訓練方法和調整高級選項參數，并比較各個模型的精度，我們最終在采用多重（Multiple）方法進行訓練時得到最高的預測精度，為96.281%。其中，共有2個隱藏層，一個隱藏層有27個隱藏結點，另一個隱藏層有18個隱藏結點。

2.多期預測模型

由上一節一期預測模型可以看出，利用前一工作日的數據來建模并預測下一個工作日的上證收盤指數，預測精度是比較高的。但根據常識我們知道，股票的次日收盤指數不僅可能受到前一日大盤情況的影響，還可能會受到前幾日甚至更遠時期大盤情況的影響，這也是為什么股民在參考大盤指數的時候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數據來建立次日收盤指數預測模型，以期找到更優的神經網絡預測模型。

（三）樣本檢驗及結果

我們將2013年10月24日至11月27日的數據作為校驗樣本，通過以上建立的各期最優的神經網絡模型進行預測，并通過擬合真實的收盤指數和各個神經網絡模型預測的上證指數數據可以得到如圖1的結果。從結果上看，預測效果是比較理想的，多期預測模型雖然與真實值有波動和偏差，但趨勢總體上趨于一致。特別是一期預測和十期預測模型，與真實上證指數走勢基本一致，與真實上證指數偏差較小。

但是，我們也必須看到，在預測值和真實值之間仍有一定的偏差，甚至出現了短暫性的趨勢錯誤，我們僅以一期預測期與真實值的擬合圖形來看，圖中橢圓形區域部分內，預測模型的結果與真實值之間出現了一定的偏差，如2013年10月31日真實收盤價是低于10月30日的收盤價，但根據一期預測模型預測的收盤價是高于10月30日的收盤價的。這是由于股票市場是一個很不穩定的的非線性動態變化系統，不僅受到國內外經濟因素的影響，而且政府的調控、人為的作用等都會影響股票市場的未來走勢，其內部規律非常復雜，因此各種因素的變動對神經網絡模型的預測結果都會產生一定的干擾作用。但從整體上來看，神經網絡模型的預測效果相對還是很有效的。

通過神經網絡對上證指數的預測研究，結合對各期模型預測精度的對比以及上頁圖1中對上證指數真實收盤和各期預測收盤價的擬合圖，我們發現次日預測和十期預測對于股票收盤價格的預測相較其他期的預測精度更高，誤差更小，預測結果更加準確可信，因此神經網絡模型更適合預測十期之內的短期的股票價格漲跌情況。

三、小結

在股票系統的預測研究中，能否比較準確地反映未來時期數據的變化趨勢是衡量一種預測方法是否有效的重要標準。從以上仿真的結果來看，本文建立的各期最優神經網絡模型比較如實地反映了股票市場的內在價值規律并且具有較高的預測精度，對股票價格的短期預測能夠取得較好的效果，為投資者預測股票走勢提供了很好的參考。同時，投資者在利用以上最優神經網絡模型來預測未來股價變動趨勢時，尤其要關注最近十天股市的漲跌情況，這樣更能準確把握股票市場的變化趨勢，幫助預測災難性的股價振蕩，降低投資風險，從而維護股票市場的穩定，促進中國經濟的健康發展。

參考文獻：

[1] 殷洪才，趙春燕.基于神經網絡股票預測的研究[J].哈爾濱工業大學學報，2007，（3）.

[2] 鄭文.數據挖掘在股票分析中的應用[D].上海：復旦大學，2012.

[3] 李穗豐.數據挖掘在證券分析中的應用[D].廣州：中山大學，2008.

[4] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進型RBF神經網絡在股票市場預測中的應用[J].統計與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經網絡的股票市場趨勢預測[J].西安電子科技大學學報，2005，（3）：460-463.

[責任編輯 吳明宇]endprint

摘 要：為了了解股價運行的規律和內在機制，從而正確預測股價走勢，首先應用Clementine軟件基于神經網絡對上證綜合指數建立了一期預測模型和多期預測模型，以此來解決歷史因素對次日收盤指數的影響。經過多次實驗，在對大量實驗結果進行分析比較的基礎上，選擇出了精度較高的神經網絡模型，利用該模型進行預測和檢驗，得到了較好的預測結果，以此解決股民入市時機選擇問題。

關鍵詞：神經網絡；一期預測模型；多期預測模型；股票

中圖分類號：F830 文獻標志碼：A 文章編號：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經濟建設的高速發展，人們的投資意識日益增強，而作為市場經濟的重要組成部分——股票市場，也正逐步走向成熟與規范。它從誕生的那天起就牽掛著數以千萬投資者的心，越來越多的投資者把眼光轉向了股票市場，而高風險高回報是股票市場的特征，因此投資者們時刻在關心股市、分析股市并試圖預測股市的發展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價格的影響因素很多，單憑簡單的人為經驗判斷往往不夠而且錯誤率較高，而傳統的技術分析方法，也已經不能滿足投資者對股票市場海量數據的分析要求。基于神經網絡模型具有的學習能力強，預測精度高，以及對海量數據的強大處理能力和對于噪聲數據的抗干擾性等優點，我們引入神經網絡模型，以上證綜合指數為例來對股票市場進行建模分析和預測，以此對股票市場進行研究，了解股價運行的規律和內在機制，從而幫助眾多投資者正確預測股價走勢，做出理性的投資決策。

1.一期預測模型

我們將經過預處理之后的每個工作日的上證綜合指數相關數據作為輸入變量，將次日收盤指數作為輸出變量，利用 Clementine軟件建立神經網絡模型，首次建模采用系統默認設置對訓練集數據進行訓練，系統默認采用快速（Quick）訓練方法的簡單模型進行訓練，采用1個隱藏層3個隱結點，最終輸出預測精度為96.136%。經過多次修改訓練方法和調整高級選項參數，并比較各個模型的精度，我們最終在采用多重（Multiple）方法進行訓練時得到最高的預測精度，為96.281%。其中，共有2個隱藏層，一個隱藏層有27個隱藏結點，另一個隱藏層有18個隱藏結點。

2.多期預測模型

由上一節一期預測模型可以看出，利用前一工作日的數據來建模并預測下一個工作日的上證收盤指數，預測精度是比較高的。但根據常識我們知道，股票的次日收盤指數不僅可能受到前一日大盤情況的影響，還可能會受到前幾日甚至更遠時期大盤情況的影響，這也是為什么股民在參考大盤指數的時候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數據來建立次日收盤指數預測模型，以期找到更優的神經網絡預測模型。

（三）樣本檢驗及結果

我們將2013年10月24日至11月27日的數據作為校驗樣本，通過以上建立的各期最優的神經網絡模型進行預測，并通過擬合真實的收盤指數和各個神經網絡模型預測的上證指數數據可以得到如圖1的結果。從結果上看，預測效果是比較理想的，多期預測模型雖然與真實值有波動和偏差，但趨勢總體上趨于一致。特別是一期預測和十期預測模型，與真實上證指數走勢基本一致，與真實上證指數偏差較小。

但是，我們也必須看到，在預測值和真實值之間仍有一定的偏差，甚至出現了短暫性的趨勢錯誤，我們僅以一期預測期與真實值的擬合圖形來看，圖中橢圓形區域部分內，預測模型的結果與真實值之間出現了一定的偏差，如2013年10月31日真實收盤價是低于10月30日的收盤價，但根據一期預測模型預測的收盤價是高于10月30日的收盤價的。這是由于股票市場是一個很不穩定的的非線性動態變化系統，不僅受到國內外經濟因素的影響，而且政府的調控、人為的作用等都會影響股票市場的未來走勢，其內部規律非常復雜，因此各種因素的變動對神經網絡模型的預測結果都會產生一定的干擾作用。但從整體上來看，神經網絡模型的預測效果相對還是很有效的。

通過神經網絡對上證指數的預測研究，結合對各期模型預測精度的對比以及上頁圖1中對上證指數真實收盤和各期預測收盤價的擬合圖，我們發現次日預測和十期預測對于股票收盤價格的預測相較其他期的預測精度更高，誤差更小，預測結果更加準確可信，因此神經網絡模型更適合預測十期之內的短期的股票價格漲跌情況。

三、小結

在股票系統的預測研究中，能否比較準確地反映未來時期數據的變化趨勢是衡量一種預測方法是否有效的重要標準。從以上仿真的結果來看，本文建立的各期最優神經網絡模型比較如實地反映了股票市場的內在價值規律并且具有較高的預測精度，對股票價格的短期預測能夠取得較好的效果，為投資者預測股票走勢提供了很好的參考。同時，投資者在利用以上最優神經網絡模型來預測未來股價變動趨勢時，尤其要關注最近十天股市的漲跌情況，這樣更能準確把握股票市場的變化趨勢，幫助預測災難性的股價振蕩，降低投資風險，從而維護股票市場的穩定，促進中國經濟的健康發展。

參考文獻：

[1] 殷洪才，趙春燕.基于神經網絡股票預測的研究[J].哈爾濱工業大學學報，2007，（3）.

[2] 鄭文.數據挖掘在股票分析中的應用[D].上海：復旦大學，2012.

[3] 李穗豐.數據挖掘在證券分析中的應用[D].廣州：中山大學，2008.

[4] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進型RBF神經網絡在股票市場預測中的應用[J].統計與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經網絡的股票市場趨勢預測[J].西安電子科技大學學報，2005，（3）：460-463.

[責任編輯 吳明宇]endprint

摘 要：為了了解股價運行的規律和內在機制，從而正確預測股價走勢，首先應用Clementine軟件基于神經網絡對上證綜合指數建立了一期預測模型和多期預測模型，以此來解決歷史因素對次日收盤指數的影響。經過多次實驗，在對大量實驗結果進行分析比較的基礎上，選擇出了精度較高的神經網絡模型，利用該模型進行預測和檢驗，得到了較好的預測結果，以此解決股民入市時機選擇問題。

關鍵詞：神經網絡；一期預測模型；多期預測模型；股票

中圖分類號：F830 文獻標志碼：A 文章編號：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經濟建設的高速發展，人們的投資意識日益增強，而作為市場經濟的重要組成部分——股票市場，也正逐步走向成熟與規范。它從誕生的那天起就牽掛著數以千萬投資者的心，越來越多的投資者把眼光轉向了股票市場，而高風險高回報是股票市場的特征，因此投資者們時刻在關心股市、分析股市并試圖預測股市的發展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價格的影響因素很多，單憑簡單的人為經驗判斷往往不夠而且錯誤率較高，而傳統的技術分析方法，也已經不能滿足投資者對股票市場海量數據的分析要求?；谏窠浘W絡模型具有的學習能力強，預測精度高，以及對海量數據的強大處理能力和對于噪聲數據的抗干擾性等優點，我們引入神經網絡模型，以上證綜合指數為例來對股票市場進行建模分析和預測，以此對股票市場進行研究，了解股價運行的規律和內在機制，從而幫助眾多投資者正確預測股價走勢，做出理性的投資決策。

1.一期預測模型

我們將經過預處理之后的每個工作日的上證綜合指數相關數據作為輸入變量，將次日收盤指數作為輸出變量，利用 Clementine軟件建立神經網絡模型，首次建模采用系統默認設置對訓練集數據進行訓練，系統默認采用快速（Quick）訓練方法的簡單模型進行訓練，采用1個隱藏層3個隱結點，最終輸出預測精度為96.136%。經過多次修改訓練方法和調整高級選項參數，并比較各個模型的精度，我們最終在采用多重（Multiple）方法進行訓練時得到最高的預測精度，為96.281%。其中，共有2個隱藏層，一個隱藏層有27個隱藏結點，另一個隱藏層有18個隱藏結點。

2.多期預測模型

由上一節一期預測模型可以看出，利用前一工作日的數據來建模并預測下一個工作日的上證收盤指數，預測精度是比較高的。但根據常識我們知道，股票的次日收盤指數不僅可能受到前一日大盤情況的影響，還可能會受到前幾日甚至更遠時期大盤情況的影響，這也是為什么股民在參考大盤指數的時候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數據來建立次日收盤指數預測模型，以期找到更優的神經網絡預測模型。

（三）樣本檢驗及結果

我們將2013年10月24日至11月27日的數據作為校驗樣本，通過以上建立的各期最優的神經網絡模型進行預測，并通過擬合真實的收盤指數和各個神經網絡模型預測的上證指數數據可以得到如圖1的結果。從結果上看，預測效果是比較理想的，多期預測模型雖然與真實值有波動和偏差，但趨勢總體上趨于一致。特別是一期預測和十期預測模型，與真實上證指數走勢基本一致，與真實上證指數偏差較小。

但是，我們也必須看到，在預測值和真實值之間仍有一定的偏差，甚至出現了短暫性的趨勢錯誤，我們僅以一期預測期與真實值的擬合圖形來看，圖中橢圓形區域部分內，預測模型的結果與真實值之間出現了一定的偏差，如2013年10月31日真實收盤價是低于10月30日的收盤價，但根據一期預測模型預測的收盤價是高于10月30日的收盤價的。這是由于股票市場是一個很不穩定的的非線性動態變化系統，不僅受到國內外經濟因素的影響，而且政府的調控、人為的作用等都會影響股票市場的未來走勢，其內部規律非常復雜，因此各種因素的變動對神經網絡模型的預測結果都會產生一定的干擾作用。但從整體上來看，神經網絡模型的預測效果相對還是很有效的。

通過神經網絡對上證指數的預測研究，結合對各期模型預測精度的對比以及上頁圖1中對上證指數真實收盤和各期預測收盤價的擬合圖，我們發現次日預測和十期預測對于股票收盤價格的預測相較其他期的預測精度更高，誤差更小，預測結果更加準確可信，因此神經網絡模型更適合預測十期之內的短期的股票價格漲跌情況。

三、小結

在股票系統的預測研究中，能否比較準確地反映未來時期數據的變化趨勢是衡量一種預測方法是否有效的重要標準。從以上仿真的結果來看，本文建立的各期最優神經網絡模型比較如實地反映了股票市場的內在價值規律并且具有較高的預測精度，對股票價格的短期預測能夠取得較好的效果，為投資者預測股票走勢提供了很好的參考。同時，投資者在利用以上最優神經網絡模型來預測未來股價變動趨勢時，尤其要關注最近十天股市的漲跌情況，這樣更能準確把握股票市場的變化趨勢，幫助預測災難性的股價振蕩，降低投資風險，從而維護股票市場的穩定，促進中國經濟的健康發展。

參考文獻：

[1] 殷洪才，趙春燕.基于神經網絡股票預測的研究[J].哈爾濱工業大學學報，2007，（3）.

[2] 鄭文.數據挖掘在股票分析中的應用[D].上海：復旦大學，2012.

[3] 李穗豐.數據挖掘在證券分析中的應用[D].廣州：中山大學，2008.

[4] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進型RBF神經網絡在股票市場預測中的應用[J].統計與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經網絡的股票市場趨勢預測[J].西安電子科技大學學報，2005，（3）：460-463.

[責任編輯 吳明宇]endprint